A Survey on Graph Diffusion Models: Generative AI in Science for Molecule, Protein and Material

要約

【タイトル】分子、タンパク質、材料のための科学におけるジェネレーティブAIにおけるグラフ拡散モデルの調査

【要約】
– 拡散モデルは、様々な分野で新しいSOTAジェネレーティブモデリング方法になっており、総合的なサーベイを提供する複数のサーベイ研究がある。
– 過去数年間において、拡散モデルに関する記事の数が指数関数的に増加しているため、特定の分野での拡散モデルの調査がますます必要とされている。
– 本研究では、グラフ拡散モデルについて調査することを目的としている。グラフにおける他のジェネレーティブモデリング方法の使用方法についても簡単にまとめてから、さまざまな形式での拡散モデルの仕組みを紹介することで、グラフ拡散モデルの議論を促進する。
– グラフ拡散モデルの応用は、主に科学におけるAI生成コンテンツ（AIGC）のカテゴリーに属し、主に分子やタンパク質の生成にどのようにグラフ拡散モデルが利用されるかに焦点を当てるが、材料設計を含めたその他のケースにも触れる。
– さらに、グラフ領域における拡散モデルの評価問題と既存の課題についても議論する。

要約(オリジナル)

Diffusion models have become a new SOTA generative modeling method in various fields, for which there are multiple survey works that provide an overall survey. With the number of articles on diffusion models increasing exponentially in the past few years, there is an increasing need for surveys of diffusion models on specific fields. In this work, we are committed to conducting a survey on the graph diffusion models. Even though our focus is to cover the progress of diffusion models in graphs, we first briefly summarize how other generative modeling methods are used for graphs. After that, we introduce the mechanism of diffusion models in various forms, which facilitates the discussion on the graph diffusion models. The applications of graph diffusion models mainly fall into the category of AI-generated content (AIGC) in science, for which we mainly focus on how graph diffusion models are utilized for generating molecules and proteins but also cover other cases, including materials design. Moreover, we discuss the issue of evaluating diffusion models in the graph domain and the existing challenges.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI